AI 로봇 양산 가로막는 건 알고리즘 아닌 제조 현장

“제조 현장에서는 예상치 못한 물리적·기술적 문제로 인공지능(AI) 로봇 양산 프로젝트가 실패하는 사례가 적지 않습니다. 카메라 렌즈 앞에 설치한 보호 유리의 두께가 2mm만 달라져도 영상 인식에 문제가 생기거나, 현장 설비의 단순한 기계 부품이 반복적으로 고장 나는 등 사소해 보이는 문제가 양산 단계에서 걸림돌로 작용하기도 합니다.”

성민수 아이벡스 대표(CEO)는 11일 서울 강남구 웨스틴 서울 파르나스에서 열린 첫 연례 AI 포럼 ‘아이벡스 프런티어 2026(AIVEX FRONTIER 2026)’에서 이같이 밝혔다. 이번 포럼은 기업용 AI가 제조 현장의 물리적 AI로 확장되는 흐름 속에서 도입 현실과 다음 단계를 짚어보기 위해 주최됐다.

성 대표는 피지컬 AI에 대한 대중의 기대와 실제 산업 현장 사이에 상당한 간극이 있다고 지적했다. 유튜브 등 영상 플랫폼에 공개된 로봇 시연 영상 상당수가 자율주행이 아닌 원격 조종 방식으로 작동한다는 게 성 대표의 설명이다. 그는 “자율적으로 작동하는 것처럼 보이도록 원격 조종 여부를 명확히 밝히지 않은 채 영상을 공개하는 경우가 많다”고 말했다.

화려한 시연 영상과 달리 실제 제조 현장에서는 설비와 작업 환경에 따른 물리적 제약이 AI 로봇 도입의 걸림돌로 작용한다. 대표적인 사례가 3차원(3D) 카메라의 영상 인식 문제다. 공장에서는 카메라가 작동 중 발생하는 열로 파손되는 것을 방지하기 위해 렌즈 앞에 10~15mm 두께의 보호 유리를 설치하는 방폭(IP) 사양을 요구하는 경우가 많다. 이 과정에서 보호 유리의 두께가 달라지면 빛의 굴절 등으로 영상 인식 성능이 저하될 수 있다. 이를 사전에 설계에 반영하지 못하면 카메라의 인식 오류로 로봇 작동이 중단되는 문제가 발생한다.

기계 부품의 내구성도 양산 과정에서 해결해야 할 과제로 꼽힌다. 로봇 구동에 사용되는 기계 유닛인 ‘PPU’가 대표적이다. 성 대표는 특정 일본 제조사가 주로 공급하는 PPU가 실제 제조 현장에서 약 6개월 주기로 고장을 일으켜 생산 공정 전체의 가동을 중단시키는 사례가 있다고 설명했다. AI 모델과 광학 기술의 성능이 뛰어나더라도 기본적인 기계 부품의 내구성이 확보되지 않으면 안정적인 양산과 운영이 어렵다는 지적이다.

소프트웨어와 통신 체계의 비표준화도 AI 로봇 도입을 가로막는 요인이다. 제조업은 앞 공정과 뒤 공정이 데이터를 주고받으며 유기적으로 연결돼야 하지만, 통신 프로토콜이 표준화되지 않아 로봇이 수행해야 할 작업을 인식하지 못하고 작동을 멈추는 사례가 발생한다. 성 대표는 “통신 프로토콜이 표준화되지 않아 로봇이 자신이 어떤 작업을 해야 하는지 파악하지 못해 구동하지 못하는 단순한 문제가 반복되고 있다”고 지적했다.

로봇 제조사마다 서로 다른 제어 소프트웨어를 사용하는 것도 문제다. 장비 업체들이 자체 제어 프로그램을 고수하면서 장비 간 호환성이 떨어지고, 사용자가 제조사를 변경하거나 다른 업체의 로봇을 도입할 때 추가 비용과 시간이 발생한다. 성 대표는 “쿠카(KUKA) 로봇을 사면 쿠카 제어기를 써야 하고 야스카와(Yaskawa) 장비를 도입하면 야스카와 제어기를 써야 한다”며 “사용자 입장에서는 로봇 제조사를 바꾸는 것만으로도 상당한 비용과 시간이 들어간다”고 말했다.

현장 데이터 부족도 AI 로봇의 성능 개선과 양산을 어렵게 하는 요인이다. 기존에 학습하지 않은 새로운 유형의 불량품이 발생하면 AI 모델이 이를 제대로 판별하지 못할 수 있다. 성 대표는 “결함 데이터가 현장에 많다는 것은 해당 제조사가 이미 불량품을 많이 내고 있다는 뜻이기에 기업이 살아남을 수 없어 애초에 데이터 수집이 어렵다”고 설명했다. 불량 데이터 확보 자체가 쉽지 않은 제조업의 특성상 다양한 결함 유형을 학습시키는 데 한계가 있다는 의미다.

로봇에 사람의 정교한 손동작과 작업 방식을 학습시키는 모방 학습 과정에서도 데이터 확보가 과제로 남아 있다. 기존에는 현장 작업자가 직접 수행하는 작업을 기록하고 이를 로봇 학습에 활용해야 했기 때문에 데이터 수집에 많은 시간과 노력이 필요했다. 이처럼 현장 데이터를 확보하고 학습시키는 과정이 지연되면서 알고리즘 개선에도 시간이 걸리고, 시범 구축(PoC) 단계에서 기술 검증을 마치지 못해 양산으로 이어지지 못하는 사례도 발생하고 있다.

성 대표는 피지컬 AI가 제조 현장에서 제대로 작동하려면 5가지 기술 요소가 유기적으로 결합해야 한다고 강조했다. 시각과 촉각을 담당하는 센서(눈), 수집한 정보를 분석하는 AI 모델(뇌), 실제 작업을 수행하는 로봇 장비(몸), 인식한 정보를 동작으로 구현하는 제어 소프트웨어(신경), 현장 데이터를 바탕으로 오류를 개선하는 유지관리 체계다. 그는 “움직일 몸이 없는데 머리로 판단해 봐야 소용이 없고, 눈이 안 보이는데 판단하고 손을 움직일 수 없는 것과 마찬가지”라며 5가지 요소 중 어느 하나도 빠져서는 안 된다고 설명했다.

그러나 실제 제조 현장에서는 여러 전문 공급사가 연합체를 구성해 각 기술과 장비를 나눠 공급하는 과정에서 문제가 발생하면 서로 책임을 미루는 사례가 있다. 카메라 공급사는 AI 알고리즘의 성능을 문제 삼고, AI 모델 개발사는 로봇 하드웨어의 제어 능력을 원인으로 지목하는 식이다. 기술 간 통합이 원활하게 이뤄지지 않고 공급사 간 책임 공방이 이어지면서 도입 기업이 시간과 비용을 부담하게 된다는 지적이다.

아이벡스는 이 같은 문제를 해결하기 위해 AI 모델 설계부터 장비 운영까지 핵심 기술을 내재화하고 단일 책임 체계로 통합 관리하는 방안을 제시했다. 여러 외부 업체에 기술과 공정을 분산해 맡기는 대신 주요 기능을 직접 관리해 책임 소재를 명확히 하고 고객 요구에 신속하게 대응한다는 구상이다.

데이터 수집부터 모델 재학습, 현장 재배포까지 이어지는 폐쇄형 루프 운영 체계도 구축하고 있다. 낮 동안 생산 현장에서 수집한 작업 데이터와 AI의 판단 결과를 하룻밤 사이 내부 서버로 전송해 모델을 재학습하고, 개선된 모델을 다음 날 생산 라인에 다시 적용하는 방식이다. 데이터 유출에 민감한 제조업의 특성을 고려해 현장 기기(Edge)와 내부 서버를 연계한 운영 체계를 갖추고, 현장 상황 변화에 신속하게 대응한다는 목표를 밝히기도 했다.

성 대표는 “중요한 기술들을 내재화해 단일 책임으로 고객이 요구하는 바를 달성하는 책임주의를 강화하고 있다”며 “현장에서 얻은 데이터를 하룻밤 안에 서버로 보내 재학습하고 다음 날 배포하는 폐쇄형 루프를 만들어야 설비가 방치되는 일 없이 진정한 유지관리가 가능하다”고 강조했다.

글. 바이라인네트워크

<김원민 기자> wmkim627@byline.network